This is the Linux app named VoteNet whose latest release can be downloaded as votenetsourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Laden Sie diese App namens VoteNet mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
VoteNet
BESCHREIBUNG
VoteNet ist ein Framework zur 3D-Objekterkennung für Punktwolken, das tiefe Punktmengennetzwerke mit einem Hough-Voting-Mechanismus kombiniert, um Objekte im 3D-Raum zu lokalisieren und zu klassifizieren. Es bewältigt die Herausforderung, dass Objektschwerpunkte in 3D-Szenen oft nicht auf einem Eingabeoberflächenpunkt liegen, indem jeder Punkt für potenzielle Objektzentren „abstimmt“. Diese Stimmen werden dann geclustert, um Objekthypothesen vorzuschlagen. Sobald die Clusterzentren gebildet sind, regressiert das Netzwerk Begrenzungsrahmen um sie herum und klassifiziert sie. VoteNet arbeitet durchgängig: Es lernt die Komponenten Voting, Aggregation und Bounding-Box-Regression gemeinsam und ermöglicht so eine hohe Erkennungsgenauigkeit ohne 2D-Proxys oder Voxelisierung. Der Code umfasst die Datenaufbereitung für Innenraumdatensätze (SUN RGB-D, ScanNet), Trainings- und Evaluierungsskripte sowie Demo-Dienstprogramme zur Visualisierung vorhergesagter Rahmen über Punktwolken.
Eigenschaften
- Deep Point Set Backbone (z. B. PointNet++) zum Extrahieren von Features aus Rohpunktwolken
- Hough-Abstimmungsmodul: Punkte schlagen Objektzentren vor, um die Herausforderungen der Schwerpunktregression zu überwinden
- Clusterung von Stimmen zur Bildung von Objektvorschlägen und Bounding-Box-Regression
- Gemeinsames End-to-End-Training der Abstimmungs-, Regressions- und Klassifizierungsleiter
- Vorverarbeitungs-, Trainings- und Auswertungsskripte für SUN RGB-D- und ScanNet-Datensätze
- Visualisierungstools zum Rendern von Punktwolken mit vorhergesagten Boxen
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/votenet.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.
